基因組組裝算法

目前，構建Graph的主流方法有3種，Overlap-Layout-Consensus（Celera Assembler、PBcR），de Bruijn Graph（SOAPdenovo ） 和 String Graph（Falcon）。

---

相關文獻

• 基於De Bruijn圖的宏基因組序列組裝算法研究（CNKI）
• 對基因組組裝算法的分析和研究（CNKI）
• 基於De Bruijn圖的De Novo序列組裝軟件性能分析（CNKI）
• DNA序列拼接中de Bruijn圖結構的研究（CNKI）
• 基因組學策略（二）揭開組裝的神祕面紗上篇（諾禾致源）
• String graph – Wikipedia
• De Bruijn graph – Wikipedia

 

前言

---

基因組組裝的基本思路：無論是一代sanger、二代短reads、三代長Pacbio，我們得到的測序數據相較於整個基因組而言仍然是極小的；我們的任務就是將這些小片段連接起來；序列之間的聯繫因爲重複序列的存在變得非常複雜，通過overlap我們最終都會構建Graph，所有的算法都會從Graph中得到最優路徑，從而得到最初的contig。

1 OLC算法

適用於reads讀長較大的測序數據，如一代和三代的reads。

主要分爲三步：（1）Overlap：，對所有reads進行兩兩比對，找到片段間的重疊信息；（2）Layout：根據得到的重疊信息將存在的重疊片段建立一種組合關係，形成重疊羣，即Contig；（3）根據構成Contig的片段的原始質量數據，在重疊羣中尋找一條質量最重的序列路徑，並獲得與路徑對應的序列，即Consensus。

OLC算法最初成功的用於Sange測序數據的組裝，比如Celera Assembler，Phrap，Newbler等均採用該算法進行拼接組裝。

2 DBG算法

適用於reads比較短的測序數據，二代數據。缺點：難以對重複序列區域進行分析，更依賴於建庫。

首先將reads打斷成長度爲K的核酸片段，即Kmer，在利用Kmer間的overlap關係構建DBG，再通過DBG得到基因組序列。

DBG算法最早應用於如細菌類小的基因組的組裝上，直到李瑞強等(2010)開發SOAPdenovo 算法，成功的組裝了採用二代測序的黃瓜及熊貓的基因組，DBG算法開始普遍運用。

   
假設我們獲得的reads是20bp，圖1a中，生成6個片段，每個片段長度（L）是10bp，至少重疊長度（O）爲5bp，然後各個片段建立OLC圖。圖1b的Kmer爲5，建立DBG圖。

DBG算法相比於OLC的優勢是什麼？

由於二代測序得到的reads長度較短，包含的信息量較少，因此完成基因組拼接需要較高的覆蓋度。OLC算法適用於讀長較長的序列組裝，通過構成的OLC圖尋找Consensus sequence的過程，實際上是哈密頓通路尋找的問題，算法非常複雜。

若採用OLC算法，會大大增加拼接的複雜性以及運算量。而採用DBG算法，通過K-1的overlap關係，構建DBG圖，通過尋找歐拉路徑得到Contig序列，從算法的角度極大的簡化了組裝的難度。

講完算法，我們以目前應用廣泛的 SOAPdenovo 軟件爲例來介紹組裝過程。

SOAPdenovo軟件的組裝過程

（1）通過Kmer之間K-1的overlap關係構建contig（重疊羣），如圖2：

（2）利用pair-end信息，將無overlap關係的contigs搭建成scaffold(腳手架），如圖3：

1數據糾錯

要得到一個有較高準確性的基因組圖譜，首先對測序得到的數據進行處理：

 
將reads逐bp打斷成長度爲K的連續核酸序列，如上圖a所示，若這條reads中間由於測序錯誤有一個錯誤的鹼基，那麼在得到的Kmer中，也會有一些錯誤Kmer或者低頻Kmer。

繪製Kmer頻數分佈圖時，如上圖b所示，Error free代表沒有測序錯誤的Kmer頻數分佈，Error rate1%代表有1%錯誤率的Kmer頻數分佈。

錯誤Kmer對後續組裝會產生很大的困擾，因此，在構建DBG圖之前，需要先對數據進行糾錯。糾錯的兩種方法：

（1）基於Read間的比對，通過多序列比對，通過概率模型區分測序錯誤引起的錯誤Kmer。這種方法糾錯準確，但需要消耗較大的計算資源。如ALLPATH-LG，ECHO等糾錯軟件都基於這種方法。

（2）通過Kmer頻數圖譜進行區分，這類軟件如SOAPdenovo，Euler等。

2構建Contig

根據Kmer之間的overlap關係進行連接，如下圖所示：

 
reads（read1：AGATCTTGTTATT；read2：GTTATTGATCTCC）逐bp的打斷成長度爲5bp的Kmer，根據Kmer間的overlap關係進行連接。可以看到兩條reads中 GATCT 和 GTTATT 是兩個重複的片段，在構建De Bruijn圖中，會形成如上圖的泡狀結構以及多個分支的情況，面對這種很複雜的圖，如何才能找到那一條正確的路徑呢？

（1）對De Bruijn圖進行化簡

簡化De Bruijn圖需要去掉無法繼續連接的分支、低覆蓋度的分支，並且利用序列信息化簡重複序列在De Bruijn圖的分叉通路，對於少量的雜合位點，採用隨機選擇策略，合併雜合位點。通常需要考慮如下幾種情況：

  
（2）得到一個簡化的De Bruijn圖後，仍然會因有很多分叉位點無法確定真正的連接關係，因此接下來在每個分叉位點將序列截斷，得到了最初contigs。

   
留給大家一個思考題：根據上述步驟，我們看下圖4中複雜的De Bruijn示意圖，可以得到什麼樣的contigs呢？（答案見文末）

3構建scaffold

將測序得到的reads比對回得到的contigs，利用reads之間的連接關係和插入片段大小信息，將contigs組裝成scaffolds。

4補洞

得到的scaffold中間會有較多的gap，爲了使組裝的序列更完整，需再次利用測序的雙末端數據之間的配對關係連接contigs，並利用測序數據與已經組裝的contig之間的覆蓋關係對contig之間空隙進行補洞，延長contigs，補洞後的contigs長度相比補洞之前一般增加2-7倍。

   
以上就是SOAPdenovo組裝的基本過程，看明白了嗎？

“揭開組裝的神祕面紗下篇”敬請期待～

參考文獻

1. Li RQ, Zhu HM, Ruan J, et al. Denovo assembly of human genomes with massively parallel short readsequencing. Genome Res. 2010, 20(2), 265-72.

2. Li ZY, Chen YX, Mu DS, et al. Comparison of the two majorclasses of assembly algorithms: overlap-layout-consensus andde-bruijn-graph. Brief Funct Genomics. 2012, 11(1), 25-37

 

3 string graph算法

有利於組裝散列重複序列。

string graph中的節點是長度不一的序列，這些序列是由overlapping reads生成，需要設置一個最小overlap大小。

 轉載自： https://www.cnblogs.com/leezx/p/5590159.html